CN115128427A - Mos器件寿命预测方法、装置、电子设备、介质及程序产品 - Google Patents
Mos器件寿命预测方法、装置、电子设备、介质及程序产品 Download PDFInfo
- Publication number
- CN115128427A CN115128427A CN202211036892.1A CN202211036892A CN115128427A CN 115128427 A CN115128427 A CN 115128427A CN 202211036892 A CN202211036892 A CN 202211036892A CN 115128427 A CN115128427 A CN 115128427A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- parameter
- mos device
- degradation amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000015556 catabolic process Effects 0.000 claims abstract description 197
- 238000006731 degradation reaction Methods 0.000 claims abstract description 197
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 44
- 238000002474 experimental method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000032683 aging Effects 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims description 47
- 230000001932 seasonal effect Effects 0.000 claims description 39
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 229920006395 saturated elastomer Polymers 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035882 stress Effects 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000001133 acceleration Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 5
- 239000004065 semiconductor Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及半导体技术领域,具体涉及一种MOS器件寿命预测方法、装置、电子设备、介质及程序产品。所述MOS器件寿命预测方法包括:获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt‑Winters模型;利用训练后的所述Holt‑Winters模型对所述MOS器件进行寿命预测。上述技术方案减少了现有技术中因对MOS器件进行完整的加速应力实验以确定其使用寿命的时间成本,提高了产品质检效率,缩短了MOS器件的生产周期,解决了MOS器件生产效率低的问题。
Description
技术领域
本公开涉及半导体技术领域,具体涉及一种MOS器件寿命预测方法、装置、电子设备、介质及程序产品。
背景技术
随着MOS器件的生产工艺技术进入到纳米级别,MOS器件的尺寸已经逼近了物理极限。由于生产的MOS器件尺寸不断缩小,小尺寸器件在生产、制造及使用时可能产生的某些效应对MOS器件造成的损伤已经不可忽视。现有技术中,常使用热载流子注入效应对MOS器件造成的损伤实验数据来计算MOS器件的使用寿命,判断其可靠性。然而,在我国工业化生产过程中产出的MOS器件数量巨大,即便对MOS器件采用加速应力实验也需要耗费大量实验时间才能获知其失效时间,确定其使用寿命,降低了MOS器件质检效率,延长了MOS器件的生产周期。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种MOS器件寿命预测方法、装置、电子设备、介质及程序产品。
第一方面,本公开实施例中提供了一种MOS器件寿命预测方法。
具体地,所述MOS器件寿命预测方法,包括:
获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
可选的,所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
可选的,所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
可选的,所述建立参数退化量时间序列,包括:
对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
可选的,所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
可选的,所述将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型,包括:
通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
可选的,所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
其中,为待确定水平平滑系数,为待确定趋势平滑系数,为待确定季节平
滑系数,为i+h时刻参数退化量数据的预测值,h为待预测时刻与当前时刻的时间差
值;为参数退化量数据在i时刻的残差,为参数退化量数据在i时刻的趋势项,为参
数退化量数据在i时刻的季节项,为参数退化量数据在i时刻的实际值;为参数退
化量数据在i-1时刻的残差,为参数退化量数据在i-1时刻的趋势项,为参数退
化量数据在i-k时刻的季节项,为参数退化量数据在i-k+h时刻的季节项,k为周期
长度。
可选的,所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
第二方面,本公开实施例中提供了一种MOS器件寿命预测装置。
具体地,所述MOS器件寿命预测装置,包括:
获取模块,被配置为获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
分解模块,被配置为根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
训练模块,被配置为将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
预测模块,被配置为利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
可选的,所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
可选的,所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
可选的,所述获取模块包括:
预处理单元,被配置为对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
可选的,所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
可选的,所述训练模块包括:
优化单元,被配置为通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
可选的,所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
其中,为待确定水平平滑系数,为待确定趋势平滑系数,为待确定季节平
滑系数,为i+h时刻参数退化量数据的预测值,h为待预测时刻与当前时刻的时间差
值;为参数退化量数据在i时刻的残差,为参数退化量数据在i时刻的趋势项,为参
数退化量数据在i时刻的季节项,为参数退化量数据在i时刻的实际值;为参数退
化量数据在i-1时刻的残差,为参数退化量数据在i-1时刻的趋势项,为参数退
化量数据在i-k时刻的季节项,为参数退化量数据在i-k+h时刻的季节项,k为周期
长度。
可选的,所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
第五方面,本公开实施例中提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如第一方面任一项所述的方法步骤。
本公开实施例提供的技术方案可以包括以下有益效果:
根据本公开实施例提供的MOS器件寿命预测方法,包括:获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。上述技术方案通过对MOS器件进行非完整的加速应力实验,获得MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,建立参数退化量时间序列,将该参数退化量时间序列经分解算法分解处理后训练Holt-Winters模型,然后使用训练后的Holt-Winters模型即可对该MOS器件进行寿命预测,即预测其失效时间,减少了现有技术中因对MOS器件进行完整的加速应力实验以确定其使用寿命的时间成本,提高了产品质检效率,缩短了MOS器件的生产周期。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中。
图1示出根据本公开的实施例的MOS器件寿命预测方法的流程图。
图2示出MOS器件在加速应力实验中饱和漏电流的退化量随时间变化的曲线图。
图3-1示出饱和漏电流退化量时间序列经分解后的趋势序列曲线图。
图3-2示出饱和漏电流退化量时间序列经分解后的季节序列曲线图。
图3-3示出饱和漏电流退化量时间序列经分解后的残差序列曲线图。
图4示出根据本公开的实施例的MOS器件寿命预测装置的结构框图。
图5示出根据本公开的实施例的电子设备的结构框图。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中,对用户信息或用户数据的获取均为经用户授权、确认,或由用户主动选择的操作。
随着MOS器件的生产工艺技术进入到纳米级别,MOS器件的尺寸已经逼近了物理极限。由于生产的MOS器件尺寸不断缩小,小尺寸器件在生产、制造及使用时可能产生的某些效应对MOS器件造成的损伤已经不可忽视。现有技术中,常使用热载流子注入效应对MOS器件造成的损伤实验数据来计算MOS器件的使用寿命,判断其可靠性。然而,在我国工业化生产过程中产出的MOS器件数量巨大,即便对MOS器件采用加速应力实验也需要耗费大量实验时间才能获知其失效时间,确定其使用寿命,降低了MOS器件质检效率,延长了MOS器件的生产周期。
为至少部分地解决发明人发现的现有技术中的问题而提出本公开。
图1示出根据本公开的实施例的MOS器件寿命预测方法的流程图。
如图1所示,所述MOS器件寿命预测方法包括以下步骤S101 - S104:
在步骤S101中,获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
在步骤S102中,根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
在步骤S103中,将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
在步骤S104中,利用训练后的所述模型对所述MOS器件进行寿命预测。
本公开提供的MOS器件寿命预测方法,通过对MOS器件进行非完整的加速应力实验,获得MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,建立参数退化量时间序列,将该参数退化量时间序列经分解算法分解处理后训练Holt-Winters模型,然后使用训练后的Holt-Winters模型即可对该MOS器件进行寿命预测,即预测其失效时间,减少了现有技术中因对MOS器件进行完整的加速应力实验以确定其使用寿命的时间成本,提高了产品质检效率,缩短了MOS器件的生产周期。
根据本公开的实施例,本公开提供的MOS器件寿命预测方法可以由MOS器件寿命预测装置实现,该MOS器件寿命预测装置可以由单个计算机主机实现,也可以由云端服务器实现。当然,上述方法也可以通过软件、硬件或者两者的结合来实现,本公开对此不做限制。
根据本公开的实施例,本公开的MOS器件是指MOSFET,即金氧半场效晶体管(Metal-Oxide-Semiconductor Field-Effect Transistor, MOSFET),包括PMOS管(P沟道型)和NMOS(N沟道型)管。本公开的寿命预测方法除了可以应用于PMOS管(P沟道型)和NMOS(N沟道型)管之外,也可应用于CMOS管,LDMOS管,DMOS管等,本公开对此不做限制。
根据本公开的实施例,老化实验是对产品整体进行评估,以确定产品可靠性或使用寿命的重要手段。为方便理解和说明,本公开采用热载流子注入(Hot CarrierInjection, HCI)效应对MOS器件造成的损伤程度来判断MOS器件是否失效。为了减少实验时间,在短时间内获得MOS器件失效率等实验数据,可采用加速应力实验来测试MOS器件的使用寿命。即通过加速应力实验获取MOS器件的某一指标参数偏离初始值预定范围的参数退化量数据,建立参数退化量时间序列。当然,也可选择其他类型的老化实验,本公开对此不做限制。本公开的发明目的在于进一步缩小老化实验的实验时间,减少成本。
根据本公开的实施例,所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导。本公开步骤S101中即获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列的步骤,是指获取MOS器件的指标参数自偏离初始值起至任一未失效时刻的参数退化量数据,建立参数退化量时间序列。为方便理解,本公开以指标参数是饱和漏电流为例说明,现有技术中通过完整的加速应力实验可以获知当MOS器件的饱和漏电流的退化量偏离初始值的10%时,该MOS器件失效。即现有技术中采用完整的加速应力实验获取MOS器件的参数退化量数据是饱和漏电流的退化量由0到10%这一区间内的全部数据,据此建立参数退化量时间序列,获知MOS器件的使用寿命;而本公开采用非完整的加速应力实验是指获取MOS器件饱和漏电流的退化量小于10%的数据,可以是获取饱和漏电流的退化量偏离初始值的5%~7%(例如是5%、6%或7%)的数据,例如获取MOS器件饱和漏电流的退化量由初始值到5%(6%或7%)这一区间内的数据,并建立参数退化量时间序列。
以0.18 μm工艺下生产的1.8V MOS器件为例,在分别对栅极和漏极施加VDS=-2.6V,VGS=1.4V的应力条件下,由于现有技术是对MOS器件进行完整的加速应力实验,通过实验获得MOS器件的饱和漏电流的退化量偏离初始值的10%的数据,如此获知该MOS器件的失效时间,整个实验过程持续的时间超过10万秒,时间成本较高。而本公开则是在同样实验条件下对MOS器件进行非完整的加速应力实验,获取的MOS器件的时间序列样本数据集可以是MOS器件的饱和漏电流的退化量偏离初始值的5%、或6%、或7%、或其他小于10%的数据,例如对MOS器件进行加速应力实验,通过实验获得MOS器件的饱和漏电流的退化量偏离初始值的6%的数据,整个实验持续时间缩短至5万秒,然后基于实验获得的数据训练模型预测其寿命。与现有技术相比,本公开的技术方案获得MOS器件使用寿命结果的时间成本大幅降低。
根据本公开的实施例,所述步骤S101中即获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列的步骤中,建立参数退化量时间序列是指将参数退化量数据按照发生的时间先后顺序排列而成的数列,便于根据已有的历史数据对未来进行预测。具体地,本公开步骤S101中获取MOS器件的参数退化量数据是按照相等时间间隔获取参数退化量数据,如果获得的参数退化量数据是非等时间间隔的参数退化量数据,则需对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列,并采用所获取的等时间间隔的参数退化量数据进行寿命预测。插值处理方法可以是线性插值、样条插值,或者基于时间的插值等方法,本公开对此不做限制。
根据本公开的实施例,所述步骤S102中即根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据的步骤中,所述时间序列分解算法对提取时间序列的数据特征非常有用。采用时间序列分解算法对参数退化量时间序列进行分解后,可以获得参数退化量时间序列的趋势序列,季节序列和残差序列,使其满足建立寿命预测模型的条件。具体地,时间序列分解算法有很多,例如经典分解算法(Classical decomposition),X11分解算法(X11 decomposition),SEATS分解算法(SEATS decomposition),STL分解算法(STLdecomposition)等。为方便理解,本公开采用STL分解算法为例说明,STL (Seasonal-Trenddecomposition procedure based on Loess)分解算法基于LOESS(局部加权回归)将参数退化量时间序列分解为趋势序列,季节序列和残差序列,分解后得到公式(1):
x[i] = t[i] + p[i] + s[i] (1)
其中,x[i]是参数退化量数据在i时刻的实际值;
t[i] 是参数退化量数据在i时刻的趋势项;
p[i] 是参数退化量数据在i时刻的季节项;
s[i] 是参数退化量数据在i时刻的残差。
图2示出MOS器件在加速应力实验中饱和漏电流的退化量随时间变化的曲线图。
如图2所示,曲线上的每个点的纵坐标是饱和漏电流的退化量(,单位%),
相应的横坐标是该饱和漏电流的退化量对应的时间(time,单位s)。饱和漏电流的退化量偏
离初始值的10%时,表示该MOS器件失效,从经时变化曲线上读出饱和漏电流的退化量偏离
初始值的10%时的时间点就是该MOS器件的失效时间。
图3-1示出饱和漏电流退化量时间序列经分解后的趋势序列曲线图。图3-2示出饱和漏电流退化量时间序列经分解后的季节序列曲线图。图3-3示出饱和漏电流退化量时间序列经分解后的残差序列曲线图。
例如,获取CMOS器件饱和漏电流退化量数据后,通过STL分解算法对其进行分解后
得到趋势序列如图3-1所示,曲线上的每个点的纵坐标是饱和漏电流的退化量(,
单位%),相应的横坐标是该饱和漏电流的退化量对应的时间(time,单位s);得到的季节序
列即周期序列如图3-2所示,曲线上的每个点的纵坐标是饱和漏电流的退化量(,
单位%),相应的横坐标是该饱和漏电流的退化量对应的时间(time,单位s);得到的残差序
列如图3-3所示曲线上的每个点的纵坐标是饱和漏电流的退化量(,单位%),相应
的横坐标是该饱和漏电流的退化量对应的时间(time,单位s)。其符合建立Holt-Winters模
型的前提条件,故可采用该模型建立寿命预测模型进行寿命预测。
根据本公开的实施例,本公开是利用参数退化量时间序列训练数学模型以获得MOS器件的寿命预测模型,其中,数学模型可以是循环神经网络(Recurrent NeuralNetwork, RNN)、门控循环单元(Gate Recurrent Unit, GRU)、时域卷积网络(Temporalconvolutional network, TCN),霍尔特-温特(Holt-Winters)等数学模型,本公开对此不做限制。
为了方便理解,本公开以训练霍尔特-温特(Holt-Winters)模型为例进行说明。霍尔特-温特(Holt-Winters)是一种时间序列分析和预报方法。该方法适用于含有线性趋势和周期波动的非平稳序列,利用指数平滑法(EMA)让模型参数不断适应非平稳序列的变化,并对未来趋势进行短期预报。Holt-Winters 方法在 Holt模型基础上引入了 Winters 周期项(也叫做季节项),可以用来处理月度数据(周期 12)、季度数据(周期 4)、星期数据(周期 7)等时间序列中的固定周期的波动行为。Holt-Winters 方法分为加法模型和乘法模型。优选的,本公开使用加法模型训练寿命预测模型。具体地,加法模型也叫做加性季节(additive seasonality) 模型,假定时间序列 x的趋势项 t 与季节项 p是相加的关系,即理想情况下 x= t+p+s,其中 t 是趋势项,随时间线性递增(或递减),p 为季节项,是周期 k 的季节项,s是残差。实际情况下,由于时间序列 x 的非平稳性,其趋势项 t 的线性递增速度和季节项 p 都只是短期相对固定,而长期来看是可以缓慢变化的。此外,x 中还可能含有无规律的噪声成分,可采用指数平滑法(EMA)基于实际观测值 x 不断校准模型中的趋势项t 和季节项 p,以使获得的寿命预测模型更为精确。
根据本公开的实施例,所述步骤S103中即将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型的步骤中,所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
其中,为待确定水平平滑系数,为待确定趋势平滑系数,为待确定季节平
滑系数,为i+h时刻参数退化量数据的预测值,h为待预测时刻与当前时刻的时间差
值;为参数退化量数据在i时刻的残差,为参数退化量数据在i时刻的趋势项,为参
数退化量数据在i时刻的季节项,为参数退化量数据在i时刻的实际值;为参数退
化量数据在i-1时刻的残差,为参数退化量数据在i-1时刻的趋势项,为参数退
化量数据在i-k时刻的季节项,为参数退化量数据在i-k+h时刻的季节项,k为周期
长度。
其中,三个平滑系数 α、β、γ,都在 0 到 1 之间。本公开步骤S103中利用所述样本数据训练Holt-Winters模型的步骤是将经热载流子注入实验获得的参数退化量时间序列分解后,将分解后的趋势序列,季节序列和残差序列输入上述公式(2)、(3)和(4),得到平滑系数 α、β、γ的数值,此时即可得到寿命预测模型,然后将当前时刻参数退化量及其趋势项,季节项和残差,输入该寿命预测模型,以预测下一时刻参数退化量的趋势项,季节项和残差,将该下一时刻参数退化量的趋势项,季节项和残差输入公式(5),即可获得下一时刻参数退化量的预测值。其中,为了获得预测结果误差最小的寿命预测模型,可通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
优选的,本公开的平滑系数取值为α=0.468,β=0.249,γ=0.532时,建立的模型精度最高。进一步的,在建立寿命预测模型后,需对寿命预测模型的合理性进行验证,具体地,验证方法是评估采用寿命预测模型预测的参数退化量数据和实际参数退化量数据之间的误差,误差较小则该寿命预测模型是合理的,如误差较大,则表示该寿命预测模型不合理,需继续优化该寿命预测模型中的三个平滑系数 α、β、γ,直到基于所优化的三个平滑系数α、β、γ建立的寿命预测模型预测的参数退化量数据和实际参数退化量数据之间的误差较小。
根据本公开的实施例,所述步骤S104中即利用训练后的所述模型对所述MOS器件进行寿命预测的步骤中,使用本公开的寿命预测模型预测MOS器件失效时间,包括:将任一时间序列数据作为寿命预测模型的输入,得到寿命预测模型的输出结果;将寿命预测模型的输出结果更新寿命预测模型的输入,以更新寿命预测模型的输出,直到寿命预测模型的输出达到MOS器件失效时对应的相应参数退化量预定范围;根据相邻时间数据之间的时间间隔和寿命预测模型的输出,确定MOS器件的失效时间。其中,MOS器件失效时对应的相应参数退化量预定范围可以是初始值的9%~11%。具体地,以通过加速应力实验获取饱和漏电流退化量时间序列,MOS器件失效时对应的相应参数退化量是偏离初始值的10%为例说明,在工业化产出的每批次MOS器件中,采用随机抽样方式抽取一定比例或者数量的MOS器件,对于每件MOS器件通过加速应力实验获取饱和漏电流的退化量偏离初始值的6%的时间序列,将该时间序列经时间序列分解算法处理后作为样本数据训练Holt-Winters模型,通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型,使建立的模型精度最高,预测值最准确。利用优化的Holt-Winters模型对MOS器件进行寿命预测,即将当前时刻的时间序列样本数据作为输入特征输入经优化的寿命预测模型,以计算下一时刻的时间序列数据,即预测下一时刻的饱和漏电流的退化量,直到预测的下一时刻的饱和漏电流的退化量是偏离初始值10%的数值,此时可根据寿命预测模型输出的预测值绘制经时变化曲线,根据经时变化曲线直接读取MOS器件的失效时间。针对样本中的每个MOS器件都重复该过程,即可获知该批次MOS器件使用寿命的区间范围。
图4示出根据本公开的实施例的MOS器件寿命预测装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图4所示,所述MOS器件寿命预测装置400包括:
获取模块401,被配置为获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
分解模块402,被配置为根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
训练模块403,被配置为将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
预测模块404,被配置为利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
本公开提供的MOS器件寿命预测装置,通过对MOS器件进行非完整的加速应力实验,获得MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,建立参数退化量时间序列,将该参数退化量时间序列经分解算法分解处理后训练Holt-Winters模型,然后使用训练后的Holt-Winters模型即可对该MOS器件进行寿命预测,即预测其失效时间,减少了现有技术中因对MOS器件进行完整的加速应力实验以确定其使用寿命的时间成本,提高了产品质检效率,缩短了MOS器件的生产周期。
根据本公开的实施例,所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
根据本公开的实施例,所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
根据本公开的实施例,所述获取模块包括:
预处理单元,被配置为对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
根据本公开的实施例,所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
根据本公开的实施例,所述训练模块包括:
优化单元,被配置为通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
根据本公开的实施例,所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
其中,为待确定水平平滑系数,为待确定趋势平滑系数,为待确定季节平
滑系数,为i+h时刻参数退化量数据的预测值,h为待预测时刻与当前时刻的时间差
值;为参数退化量数据在i时刻的残差,为参数退化量数据在i时刻的趋势项,为参
数退化量数据在i时刻的季节项,为参数退化量数据在i时刻的实际值;为参数退
化量数据在i-1时刻的残差,为参数退化量数据在i-1时刻的趋势项,为参数退
化量数据在i-k时刻的季节项,为参数退化量数据在i-k+h时刻的季节项,k为周期
长度。
根据本公开的实施例,所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
本公开还公开了一种电子设备。图5示出根据本公开的实施例的电子设备的结构框图。
如图5所示,所述电子设备包括存储器和处理器,其中,存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如下方法步骤:
获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
根据本公开的实施例,所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
根据本公开的实施例,所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
根据本公开的实施例,所述建立参数退化量时间序列,包括:
对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
根据本公开的实施例,所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
根据本公开的实施例,所述将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型,包括:
通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
根据本公开的实施例,所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
其中,为待确定水平平滑系数,为待确定趋势平滑系数,为待确定季节平
滑系数,为i+h时刻参数退化量数据的预测值,h为待预测时刻与当前时刻的时间差
值;为参数退化量数据在i时刻的残差,为参数退化量数据在i时刻的趋势项,为参
数退化量数据在i时刻的季节项,为参数退化量数据在i时刻的实际值;为参数退
化量数据在i-1时刻的残差,为参数退化量数据在i-1时刻的趋势项,为参数退
化量数据在i-k时刻的季节项,为参数退化量数据在i-k+h时刻的季节项,k为周期
长度。
根据本公开的实施例,所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图6所示,计算机系统包括处理单元,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行上述实施例中的各种方法。在RAM中,还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。其中,所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (19)
1.一种MOS器件寿命预测方法,其特征在于,包括:
获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
2.根据权利要求1所述的方法,其特征在于,
所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
3.根据权利要求2所述的方法,其特征在于,
所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
4.根据权利要求1所述的方法,其特征在于,所述建立参数退化量时间序列,包括:
对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
5.根据权利要求1-4中任一项所述的方法,其特征在于,
所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
6.根据权利要求1所述的方法,其特征在于,所述将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型,包括:
通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
7.根据权利要求1所述的方法,其特征在于,
所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
8.根据权利要求7所述的方法,其特征在于,
所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
9.一种MOS器件寿命预测装置,其特征在于,包括:
获取模块,被配置为获取MOS器件在老化实验条件下的指标参数偏离初始值预定范围的参数退化量数据,并建立参数退化量时间序列;
分解模块,被配置为根据时间序列分解算法处理所述参数退化量时间序列得到分解后的数据;
训练模块,被配置为将所述分解后的数据作为样本数据,并利用所述样本数据训练Holt-Winters模型;
预测模块,被配置为利用训练后的所述Holt-Winters模型对所述MOS器件进行寿命预测。
10.根据权利要求9所述的装置,其特征在于,
所述指标参数包括以下的至少一项:饱和漏电流、阈值电压、跨导;
所述参数退化量数据为所述指标参数偏离初始值的5%~7%的数据。
11.根据权利要求10所述的装置,其特征在于,
所述参数退化量数据为所述指标参数偏离初始值的5%或6%或7%的数据。
12.根据权利要求9所述的装置,其特征在于,所述获取模块包括:
预处理单元,被配置为对非等时间间隔采样的所述参数退化量数据进行插值处理,建立参数退化量时间序列。
13.根据权利要求9-12中任一项所述的装置,其特征在于,
所述时间序列分解算法是STL算法,所述分解后的数据包括趋势序列,季节序列和残差序列。
14.根据权利要求9所述的装置,其特征在于,所述训练模块包括:
优化单元,被配置为通过BFGS数值最优化方法优化所述训练后的Holt-Winters模型。
15.根据权利要求9所述的装置,其特征在于,
所述Holt-Winters模型是加法模型,所述加法模型包括三个指数平滑方程和一个预测方程,
其中,三个指数平滑方程分别是:
预测方程是:
16.根据权利要求15所述的装置,其特征在于,
所述平滑系数取值为α=0.468,β=0.249,γ=0.532。
17.一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1~8任一项所述的方法步骤。
18.一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现权利要求1~8任一项所述的方法步骤。
19.一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现权利要求1~8任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036892.1A CN115128427B (zh) | 2022-08-29 | 2022-08-29 | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036892.1A CN115128427B (zh) | 2022-08-29 | 2022-08-29 | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115128427A true CN115128427A (zh) | 2022-09-30 |
CN115128427B CN115128427B (zh) | 2023-01-20 |
Family
ID=83386960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036892.1A Active CN115128427B (zh) | 2022-08-29 | 2022-08-29 | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115128427B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754920A (zh) * | 2023-08-21 | 2023-09-15 | 北京智芯微电子科技有限公司 | 半导体寿命测试方法、装置、存储介质及终端设备 |
WO2024045351A1 (zh) * | 2022-08-29 | 2024-03-07 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
CN102567560A (zh) * | 2010-12-27 | 2012-07-11 | 北京圣涛平试验工程技术研究院有限责任公司 | Mos器件寿命预计方法及系统 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
US20220083897A1 (en) * | 2020-09-11 | 2022-03-17 | International Business Machines Corporation | Explanation for time series forecasting models |
-
2022
- 2022-08-29 CN CN202211036892.1A patent/CN115128427B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
CN102567560A (zh) * | 2010-12-27 | 2012-07-11 | 北京圣涛平试验工程技术研究院有限责任公司 | Mos器件寿命预计方法及系统 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
US20220083897A1 (en) * | 2020-09-11 | 2022-03-17 | International Business Machines Corporation | Explanation for time series forecasting models |
Non-Patent Citations (2)
Title |
---|
吴祎等: "基于特征参数退化的DC/DC变换器故障预测", 《仪器仪表学报》 * |
张进城等: "PMOSFET's热载流子退化模拟及寿命评估的统一模型", 《半导体学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045351A1 (zh) * | 2022-08-29 | 2024-03-07 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116754920A (zh) * | 2023-08-21 | 2023-09-15 | 北京智芯微电子科技有限公司 | 半导体寿命测试方法、装置、存储介质及终端设备 |
CN116754920B (zh) * | 2023-08-21 | 2023-10-27 | 北京智芯微电子科技有限公司 | 半导体寿命测试方法、装置、存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115128427B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115128427B (zh) | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 | |
Namkoong et al. | Off-policy policy evaluation for sequential decisions under unobserved confounding | |
Zhou et al. | Remaining useful life prediction of individual units subject to hard failure | |
Rodríguez-Picón et al. | Degradation modeling based on gamma process models with random effects | |
Guo et al. | An iterative orthogonal forward regression algorithm | |
CN111160651B (zh) | 一种基于stl-lstm的地铁客流预测方法 | |
Peng et al. | The transformed inverse Gaussian process as an age-and state-dependent degradation model | |
JP2736501B2 (ja) | Mos型トランジスタのホットキャリア劣化のシミュレーション方法 | |
Jahani et al. | Remaining useful life prediction based on degradation signals using monotonic B-splines with infinite support | |
CN115308558B (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
Triacca et al. | Forecasting the number of confirmed new cases of COVID-19 in Italy for the period from 19 May to 2 June 2020 | |
Wang et al. | Degradation reliability modeling based on an independent increment process with quadratic variance | |
Wolf et al. | Stochastic efficiency of Bayesian Markov chain Monte Carlo in spatial econometric models: an empirical comparison of exact sampling methods | |
Hu et al. | Weighted score test based EWMA control charts for zero-inflated Poisson models | |
CN114818393B (zh) | 半导体器件失效时刻预测方法、装置、设备及介质 | |
Lawless et al. | Testing for monotone trend in recurrent event processes | |
Bobotas et al. | The step-stress tampered failure rate model under interval monitoring | |
Darkhovsky et al. | Model‐free offline change‐point detection in multidimensional time series of arbitrary nature via ϵ‐complexity: Simulations and applications | |
Kumari et al. | Reliability estimation for Kumaraswamy distribution under block progressive type-II censoring | |
Yang et al. | Non-parametric Bayesian modeling of hazard rate with a change point for nanoelectronic devices | |
US20170068226A1 (en) | Hybrid estimation of transition probability values in markov decision processes | |
Peng et al. | Gradient-based simulated maximum likelihood estimation for stochastic volatility models using characteristic functions | |
Janowski et al. | Generalized score distribution | |
CN116754920B (zh) | 半导体寿命测试方法、装置、存储介质及终端设备 | |
Jakubiec et al. | Error model application in neural reconstruction of nonlinear sensor input signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |